Título: Nova Implementação em Filtro de Kalman Estendido para Assimilação de Dados com Redes Neurais
Autores: Cintra, Rosângela S. C.; Velho, Haroldo F. de Campos; Todling, Ricardo
Resumo: Assimilação de Dados é uma metodologia que combina dados de um modelo matemático de evolução com observações para se obter a melhor condição inicial possível para modelos de previsão. Diversos métodos de assimilação de dados estão atualmente em uso nas ciências atmosféricas e oceânicas, onde procuram implantar um algoritmo que mais se aproxime do estado verdadeiro da dinâmica do processo. Métodos seqüenciais ótimos são baseados em teoria de estimativa formal que minimiza os erros dos dados de acordo com a dinâmica do modelo. Métodos de assimilação de dados utilizando Redes Neurais Artificiais (RNA) vêm sendo propostos recentemente e têm apresentado resultados consistentes, eficientes computacionalmente e eficazes quanto à aplicação. Este trabalho apresenta uma nova abordagem na aplicação de Assimilação de Dados utilizando redes Perceptron de Múltiplas Camadas que propõe a redução da complexidade computacional do problema. Os estudos foram feito com o Filtro de Kalman Estendido em conjunto com o Sistema de Lorenz (1963) com sua dinâmica caótica não linear e iniciou experimento com o Modelo meteorológico Dynamo. A RNA apresentou resultados muito próximos às trajetórias das variáveis dos modelos dinâmicos comprovando a eficácia do método para o problema de assimilação de dados atmosféricos com algoritmo menos complexo.
Palavras-chave: Assimilação de dados; Perceptron Multicamadas; Modelos Dinâmicos não Lineares; Filtro de Kalman
Páginas: 8
Código DOI: 10.21528/lmln-vol7-no1-art4
Artigo em PDF: vol7-no1-art4.pdf
Arquivo BibTex: vol7-no1-art4.bib